lyb3b3b的专栏

仅供参考，如有翻译不到位的地方敬请指出。论文地址：Generative Adversarial Nets 论文翻译：XlyPb（http://blog.csdn.net/wspba/article/details/54577236）摘要我们提出了一个通过对抗过程估计生成模型的新框架，在新框架中我们同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自

原始GANGoodfellow和Bengio等人发表在NIPS 2014年的文章Generative adversary network，是生成对抗网络的开创文章，论文思想启发自博弈论中的二人零和博弈。在二人零和博弈中，两位博弈方的利益之和为零或一个常数，即一方有所得，另一方必有所失。GAN模型中的两位博弈方分别由生成式模型(generative model)和判别式模型(discrimi

转载：原网址https://zhuanlan.zhihu.com/p/290206162017知乎看山杯 从入门到第二利用一个暑假的时间，做了研究生生涯中的第一个正式比赛，最终排名第二，有些小遗憾，但收获更多的是成长和经验。我们之前没有参加过机器学习和文本相关的比赛，只是学过一些理论基础知识，没有付诸过实践，看过的几篇论文也多亏前辈的分享（一个是用深度学习（CNN RNN Attent...

       这是一篇在谷歌学术上引用度很高的论文，也是在NLP领域直面核心挑战（阅读理解，也就是让机器阅读，然后能够回答和阅读内容相关的问题）的重磅研究和里程碑，所以这篇文章值得我们好好阅读，这是Karl Moriz Herman等人以谷歌和牛津大学名义联合发表于2015年11月的NIPS。        下图显示的是截至目前的论文被引用的情况，虽然在计算机科学领域，论文的引用数量很容易...

问耕 编译整理量子位 出品 | 公众号 QbitAI今天一大早，Yann LeCun就转发了一条消息：Facebook开源了DrQA的代码。DrQA是一个开放域问答系统。关于DrQA，Facebook还发表了一篇论文《Reading Wikipedia to Answer Open-Domain Questions（阅读维基百科来回答开放域问题）》。这篇论文也入选了

在问答系统的应用中，用户输入一个问题，系统需要根据问题去寻找最合适的答案。1：采用句子相似度的方式。根据问题的字面相似度选择相似度最高的问题对应的答案，但是采用这种字面相似度的方式并不能有效的捕获用户意图的能力有限。2：IBM早期应用在watson系统中的DeepQa算法。该算法通过人工抽取一系列的特征，然后将这些特征输入一个回归模型。该算法普适性较强，并且能有效的解决实际中的问题

http://blog.csdn.net/Sherry_up/article/details/52103378最近做question-answering系统，看了几篇相关的论文，涉及到用CNN、LSTM、RNN、Attention等算法，这里做个记录。 1 Attention-Based Convolutional Neural Network for Modeling Sente

聊天机器人本质上是一个范问答系统，既然是问答系统就离不开候选答案的选择，利用深度学习的方法可以帮助我们找到最佳的答案，本节我们来讲述一下用深度学习来做自动问答的一般方法请尊重原创，转载请注明来源网站www.shareditor.com以及原始链接地址语料库的获取方法对于一个范问答系统，一般我们从互联网上收集语料信息，比如百度、谷歌等，用这些结果构建问答对组成的语料库。然后把

代码："""Train convolutional network for sentiment analysis. Based on"Convolutional Neural Networks for Sentence Classification" by Yoon Kimhttp://arxiv.org/pdf/1408.5882v2.pdfFor 'CNN-non-static'

关键函数：sentences = [[vocabulary_inv[w] for w in s] for s in sentence_matrix]embedding_model = word2vec.Word2Vec(sentences, workers=num_workers, size=num_features, min_count = min_word_count, w

这篇文章主要说明两个东西，一个是Convolution1D的介绍，另一个是model.summary()的使用。首先我先说下model.summary()，此方法可以打印出模型的信息，读者可以查看每层输出内容。接下来就说下Convolution1D的使用了，Convolution1D一维卷积，主要用于过滤一维输入的相邻元素，官方文档是这样的1

翻译原始链接： http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/这个教程包含 训练word2vec的 skip-gram 模型。通过这个教程，我希望跳过常规Word2Vec 的介绍和抽象理解， 而是去讨论一些细节。特别是skip gram的网络结构。模型skipgram mode

写这个系列的初衷在于，现在关于tensorflow的教程还是太少了，有也都是歪果仁写的。比如以下几个： TensorFlow-Examples tensorflow_tutorials TensorFlow-Tutorials Tensorflow-101 个人感觉这些教程对于新手来说讲解的并不细致，几乎都是作者写好了代码放到ipython notebook上，大家下载到本地r

转自http://blog.csdn.net/lyy14011305/article/details/72811140用卷积神经网络对句子分类 Yoon Kim 纽约大学 Yhk255@nyu.edu 摘要 针对句子级别的分类任务，我们使用卷积神经网络（CNN）结合预训练的词向量做了一系列的实验。我们证明一个少量调节超参数的简单CNN模型结合静态词向量可以在很多基准上取

加载IMDB数据集X_train[0]=[1,14,22,.....32] 长度为228X_train=sequence.pad_sequences(X_train,maxlen=500)x_train[0]变为[0,0,0.......1,14,22,....32] 长度为500import numpyfrom keras.datasets import i...